拒絕搜尋引擎收錄與robots.txt檔案的規範寫法
首先,檔案名稱必須是robots.txt小寫,位於網站根目錄例如web檔案夾之類
訪問路徑為 http://www.某某網站.com/robots.txt
其次,文本為ASCII編碼(國外的推薦是文字編輯器在UNIX模式下),
robots.txt內容如下,且:冒號後不能有空格:
【情況〇】以#號開頭的視為注釋,
且注釋寫入時應當單獨成行.且不能在行尾加註.
一般請不要添加註釋.[例如]
# Robots.txt file from http://www.某某網站.com
【情況一】允許所有搜尋工訪問
User-agent:*
Disallow:
或建一個空檔案的robots.txt即可.
【情況二】禁止所有搜尋引擎訪問網站的任何部分
User-agent:*
Disallow:/
【情況三】禁止所有搜尋工訪問網站的某檔案夾或某檔案,
寫入時需要單獨成行.且目錄檔案或檔案夾的大小寫必須與實際一致.
除了特殊的檔案外,一般指定檔案夾名稱即可,不必全盤列出.
[例如]
User-agent:*
Disallow:12345.html
Disallow:/001/
Disallow:/Photo/
Disallow:/cgi-bin/images/
在此要注意反斜線/ 有無的區別:
Disallow:/help
不允許抓取help.html 和/help/index.html
Disallow:/help/
允許抓取help.html 而不允許抓取/help/index.html
【情況四】禁止某個搜尋工訪問
[例如]禁止SearchBot搜尋工
User-agent:SearchBot
Disallow:/
【情況五】只允許某個搜尋工訪問
[例如]允許SearchBot搜尋工
User-agent:SearchBot
Disallow:
User-agent:*
Disallow:/
【其他情況】
<meta name="robots" content="index,follow">可以寫成<meta name="robots" content="all">
<meta name="robots" content="noindex,follow">
<meta name="robots" content="index,nofollow">
<meta name="robots" content="noindex,nofollow">可以寫成<meta name="robots" content="none">
[robots的meta標籤用法]告誡搜尋工如何抓取該頁內容.
目前支援此標籤的搜尋工較少,主要由Google支援.
1.建議使用小寫,用於<head></head>之間
2.當name="robots"表示所有的搜尋工
3.當name="Googlebot"表示針對某個搜尋工,例如Google搜尋
4.而content具有下列屬性值:
index允許搜尋工抓取該頁面;
noindex拒絕搜尋工抓取該頁面;
follow允許搜尋工抓取該頁面的連結;
nofollow拒絕搜尋工抓取該頁面的連結;
archive允許搜尋工抓取該頁網頁快照;(目前,暫時的,僅Google支援此文法)
noarchive拒絕搜尋工抓取該頁網頁快照;(目前,暫時的,僅Google支援此文法)
[例如]
<meta name="googlebot" content="index,follow,noarchive">
5.目前robots沒有allow等其它指令.
6.萬用字元的運用(目前,暫時的,僅Google支援此文法)
[例如]
User-agent:googlebot
Disallow:*.cgi
最後,值得注意的是,並非所有搜尋工都支援此robots.txt協議,
一些蜘蛛經常將自己偽裝成用戶端的瀏覽器.
【參考內容】
http://www.robotstxt.org
http://www.google.com/webmasters/tools
http://www.mcanerin.com/EN/search-engine/robots-txt.asp
http://whois.domaintools.com
【常見蜘蛛】常見搜尋引擎機器人,搜尋蜘蛛,搜尋工
GoogleBot
Baiduspider
Yahoo!Slurp
MSNBot
OutfoxBot
Slurp Chin.a
sogou agent
sohu agent
IaskSpider
偽裝成Firefox或IE等...
---------------------------------------------------------------------------------------------------
寫法:
Robots.txt是一種存放於網站根目錄下的ASCII編碼的文字檔，它通常告訴網路搜尋引擎的漫遊器（又稱網路蜘蛛），此網站中的哪些內容是不能被搜尋引擎的漫遊器擷取的，哪些是可以被（漫遊器）擷取的。一個典型的檔案內容如下：
User-agent:
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
因為一些系統中的URL是大小寫敏感的，所以Robots.txt的檔案名稱應統一為小寫，即robots.txt。robots.txt應放置於網站的根目錄下。如果想單獨定義搜尋引擎的漫遊器訪問子目錄時的行為，那麼可以將自定的設定合并到根目錄下的robots.txt，或者使用robots中繼資料。
Robots.txt協議並不是一個規範，而只是約定俗成的，所以並不能保證網站的隱私。注意Robots.txt是用字串比較來確定是否擷取URL，所以目錄末尾有和沒有斜杠“/”這兩種表示是不同的URL，也不能用"Disallow: .gif"這樣的萬用字元。
其他的影響搜尋引擎的行為的方法包括使用robots中繼資料：這個協議也不是一個規範，而只是約定俗成的，通常搜尋引擎會識別這個中繼資料，不索引這個頁面，以及這個頁面的鏈出頁面。
robots.txt是一個純文字檔案，在這個檔案中網站管理者可以聲明該網站中不想被robots訪問的部分，或者指定搜尋引擎只收錄指定的內容。
當一個搜尋機器人（有的叫搜尋蜘蛛）訪問一個網站時，它會首先檢查該網站根目錄下是否存在robots.txt，如果存在，搜尋機器人就會按照該檔案中的內容來確定訪問的範圍；如果該檔案不存在，那麼搜尋機器人就沿著連結抓取。
另外，robots.txt必須放置在一個網站的根目錄下，而且檔案名稱必須全部小寫。
robots.txt寫作文法
首先，我們來看一個robots.txt範例：http://www.csswebs.org/robots.txt
訪問以上具體地址，我們可以看到robots.txt的具體內容如下：
# Robots.txt file from http://www.csswebs.org
# All robots will spider the domain
User-agent: *
Disallow:
以上文本表達的意思是允許所有的搜尋機器人訪問www.csswebs.org網站下的所有檔案。
具體文法分析：其中#後面文字為說明資訊；User-agent:後面為搜尋機器人的名稱，後面如果是*，則泛指所有的搜尋機器人；Disallow:後面為不允許訪問的檔案目錄。
下面，我將列舉一些robots.txt的具體用法：
允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空檔案 “/robots.txt” file
禁止所有搜尋引擎訪問網站的任何部分
User-agent: *
Disallow: /
禁止所有搜尋引擎訪問網站的幾個部分（下例中的01、02、03目錄）
User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/
禁止某個搜尋引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /
只允許某個搜尋引擎的訪問（下例中的Crawler）
User-agent: Crawler
Disallow:
User-agent: *
Disallow: /
另外，我覺得有必要進行拓展說明，對robots meta進行一些介紹：
Robots META標籤則主要是針對一個個具體的頁面。和其他的META標籤（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META標籤也是放在頁面的＜head＞＜/head＞中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的內容。
Robots META標籤的寫法：
Robots META標籤中沒有大小寫之分，name=”Robots”表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為name=”BaiduSpider”。 content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜尋機器人抓取該頁面；
FOLLOW 指令表示搜尋機器人可以沿著該頁面上的連結繼續抓取下去；
Robots Meta標籤的預設值是INDEX和FOLLOW，只有inktomi除外，對於它，預設值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”NOINDEX,FOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”INDEX,NOFOLLOW”＞
＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞
其中
＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞可以寫成＜META NAME=”ROBOTS” CONTENT=”ALL”＞；
＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞可以寫成＜META NAME=”ROBOTS” CONTENT=”NONE”＞
目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於Robots META標籤，目前支援的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支援，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。例如：
＜META NAME=”googlebot” CONTENT=”index,follow,noarchive”＞
Start building with 50+ products and up to 12 months usage for Elastic Compute Service
1 on 1 presale consultation
24/7 Technical Support 6 Free Tickets per Quarter Faster Response
Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.
A comprehensive suite of global cloud computing services to power your business
Payment Methods We Support
